三面追问：百万行代码库怎么跑好Claude Code？harness五层才是关键

前言三面被问百万行代码里怎么跑好 Claude Code是一种什么体验面试现场一愣平时在几万行模块里跑得顺风顺水可巨型 monorepo 这一关确实没实操过。回来翻官方博客补课发现小项目用户最容易漏掉的是规模化场景里那套另一套玩法。Claude Code 在大代码库好不好用主要不是模型的事而是围绕模型搭的脚手架 harness 配得怎么样——五层扩展点加三套配置模式这才是百万行场景里真正决定上限的东西。把原文那段面试对话还原一下看官追问的逻辑链很清晰 面试官你在百万行代码的项目里怎么用好 Claude Code‍♂️ 候选人说实话我只跑过几万行的小模块几百万行规模的还没经验要不您分享一下 面试官那我问问你为什么 Claude Code 不走 RAG 那条 embedding 索引路线‍♂️ 候选人因为它直接在文件系统里游走读文件、grep 精确定位永远面对最新代码索引不会过期。 面试官那它在十亿行里找模糊模式为什么会失败‍♂️ 候选人因为一开始没有足够上下文知道去哪找上下文窗口很快就耗光了。 面试官所以决定表现的不只是模型本身那围绕模型搭的那套生态叫什么五个扩展点分别是什么这段对话基本就把 80% 的人筛掉了——能接住五层扩展点的人才有资格谈规模化落地。这道题考的不是会不会用而是在规模化场景下有没有思考过工具怎么落地。读完这篇文章你能搞明白为什么 RAG 那套索引方案在大代码库里跑不动Claude Code 走了哪条路harness 五层扩展点CLAUDE.md / Hooks / Skills / Plugins / MCP 各自干什么、建设顺序为什么重要LSP 和 Subagents这两个辅助能力怎么和五层配合三个反复出现的配置模式可导航、维护配置、专人负责 agent manager架构师视角的六个工程取舍以及面试话术里 60 分和 90 分的差距在哪几环。不管你是只会用 Claude Code 跑几万行小模块的开发者还是在大 monorepo 里挣扎过工具落地的工程师或者是准备面 AI Agent 岗的候选人这篇都该收一份。开拆一、为什么Claude Code不怕代码库太大先说清楚为什么 Claude Code 不怕代码库太大这是后面所有讨论的前提。大部分 AI 编程工具走的是 RAG 路线把整个代码库做 embedding、建索引、查询时检索相关片段。这套方案在小项目里没问题但放到大规模、高频迭代的团队里就会出毛病。1. RAG 那套索引方案的死穴embedding pipeline 跟不上代码提交的速度。等你去查的时候索引反映的可能是几周甚至几小时前的代码状态。检索出来的函数可能上周就被改名了引用的模块可能上个迭代就删掉了——你拿到的相关片段其实已经是过时数据。代码库越大索引重建成本越高、滞后越严重。代码本体是活的索引却是几小时前的快照AI 拿着过期地图找路撞墙是常态。2. Claude Code 走的另一条路Claude Code 不建索引、不上传代码库而是像一个真正的工程师那样直接在文件系统里游走读文件、用 grep 做精确定位、顺着代码引用一路追下去。它永远面对的是活的、最新的代码不存在索引漂移的问题。这套思路的好处显而易见——代码长什么样它看到的就是什么样。但代价也是真实存在的Claude 的导航能力很大程度上取决于它一开始有没有足够的上下文知道该去哪找。3. 十亿行里找模糊模式为什么会失败如果让它在十亿行代码里找一个模糊的模式很可能还没开始干活呢上下文窗口就已经耗光了。这是按需导航路线的天花板——它依赖先验的导航方向没有方向感的盲搜在大库里会迅速耗光预算。这也是为什么官方博客反复强调那些真正做得好的团队都在代码库的可读性上下了很大功夫。让 Claude 一开始就有该去哪找的明确线索是这套方案能跑起来的工程前提。后续五层 harness 的核心目标之一就是给 Claude 提供这个方向感。二、harness五层脚手架决定表现的不是模型本身这里有一个常见误解。很多人觉得 Claude Code 的能力完全取决于用的模型——换个更强的模型效果就线性变好。但实际上不是这样的。围绕模型搭建的整套生态也就是所谓的 harness脚手架才是决定它在实际项目里表现好不好的关键因素。1. 五层是什么顺序为什么重要这套 harness 由五个扩展点组成建设顺序很关键因为每一层都建立在前一层之上第一层 CLAUDE.md每次会话自动加载的上下文文件给 Claude 这个代码库长什么样的方向感第二层 Hooks钩子让整套系统持续进化不是单纯防错第三层 Skills技能通过渐进式披露按需加载专业知识第四层 Plugins插件把 skills、hooks、MCP 配置打包成可安装整体第五层 MCP servers让 Claude 连接内部工具、数据源和 API为什么要按这个顺序因为连 CLAUDE.md 都没写好Claude 一上来就没有方向感后面四层都白搭Skills 还没建立Plugins 里打包的内容就是空的。每层都是下一层的地基。2. 五层之外的两个辅助能力除了这五个扩展点还有两个能力值得单独说一下LSP 集成语言服务器协议。让 Claude 能拿到代码的语义信息——定义跳转、引用查找、类型推断这类静态分析能力而不是只靠文本匹配瞎猜Subagents子代理。把复杂任务拆给子代理并行处理主代理只拿结论节省主上下文窗口这两个不算扩展点但和五层是配合关系。LSP 给 Claude 加了语义眼睛Subagents 给 Claude 加了分身术。五层是横向扩展增加知识源和能力源LSP 和 Subagents 是纵向增强提升单次导航的质量和容量。3. 为什么说决定表现的不是模型本身模型是基础但给的是通用能力。一个通用能力很强的模型丢进完全没配置的百万行代码库里照样会上下文耗光。harness 做的事情是把通用能力定向化——告诉它仓库约定、给它专业工具、给它连接外部数据源、给它兜底防错。类比一下模型是发动机harness 是底盘和导航。发动机再强没有导航也会在陌生城市里绕圈子。这也是为什么后面几章要单独拆五层、讲三套配置模式——这些才是规模化场景下真正拉开差距的东西。三、第一层 CLAUDE.md每次会话自动加载的上下文文件第一层是 CLAUDE.md 文件整个 harness 最底层的地基。它是每次会话自动加载的上下文文件本质上是给 Claude 一份这个代码库的入门手册。1. 根目录放全局子目录放局部CLAUDE.md 的分层机制根目录放全局信息子目录放局部约定。比如根目录写这是一个 TypeScript monorepo用 pnpm workspace提交前必须跑pnpm lint而services/auth/CLAUDE.md写这个服务用 OAuth2所有 token 必须走 Redis 缓存。为什么要分层如果全堆在根目录每次会话都会加载所有内容子模块的局部约定会污染全局上下文。分层的好处是——Claude 进到哪个子目录工作就只加载哪一层根目录的全局信息始终在场局部信息按需加载。2. 内容一定要精炼不然会拖累性能这是 CLAUDE.md 最容易被忽视的铁律它每次会话都会加载所以内容必须精炼。原文里 Anthropic 反复强调——很多人把 CLAUDE.md 当文档库用写了几千行结果每次会话都要先把这几千行塞进上下文窗口留给实际工作的预算就少了。正确做法是只放三类信息导航线索代码库入口在哪、模块边界怎么划分、关键命名约定、强约束必须做什么、不能做什么、不能从代码本身推断出的隐性知识比如某个 legacy 模块为什么不能动。3. 它解决的是该去哪找的方向感问题回过头看第一章那个十亿行找模糊模式会失败的问题CLAUDE.md 就是给它方向感的那一层。它不是给 Claude 答案而是给 Claude 一张地图——告诉它这个仓库的骨架在哪、哪些区域是高风险区、哪些约定不能违反。没有 CLAUDE.md 的 Claude Code就像把一个新员工丢进百万行代码里让他自己摸——他能跑但效率极低上下文窗口会被无意义的探索消耗掉。CLAUDE.md 是把新员工变成有 onboarding 文档的员工的那一层。四、第二层 Hooks让系统持续进化的钩子第二层是 Hooks也就是钩子。很多人对 hooks 的理解停留在防止 Claude 做错事的脚本层面——比如禁止它删某些目录、强制它跑测试再提交。但原文里 Anthropic 强调了一个更有价值的用法让整套系统持续进化。1. 防错只是 hooks 的最低层用法防错型 hooks 当然有用在 Claude 试图执行危险操作前拦截、在它写完代码后强制跑 lint、在它提交前检查 commit message 格式。这些是硬约束把不可违反的规则用代码而不是提示词实现。但如果只把 hooks 当防错用就浪费了它真正的能力——防错是阻止错误发生持续进化是让系统从错误中学习。2. 更有价值的用法让系统持续进化持续进化型 hooks 的核心思路是把每次会话中暴露的问题反向沉淀成新的规则或技能。比如 Claude 反复尝试一个错误的 API 用法hook 捕获到这个失败模式自动写进 CLAUDE.md 的常见错误小节Claude 在某次重构里漏掉边界 casehook 在测试失败后把它抽象成一条新的 SkillClaude 用了不合规的依赖hook 拦截后把依赖加进禁用清单。这种用法把 hooks 从静态护栏升级成动态学习闭环——系统每次跑都会比上次更懂这个代码库。3. 为什么 hooks 是第二层hooks 依赖 CLAUDE.md 提供的基础上下文。如果 CLAUDE.md 都没写清楚仓库约定hooks 拦截什么、学习什么都没有标准。先有这个仓库应该长什么样的定义CLAUDE.md才能用 hooks 去校验实际跑出来是不是这个样子。顺序一旦反了hooks 会变成无源之水要么过度拦截、要么漏拦截。这也是为什么 Anthropic 把建设顺序讲得很死CLAUDE.md 必须先于 Hooks。五、第三层 Skills渐进式披露按需加载专业技能第三层是 Skills也就是技能。核心思想是通过渐进式披露来按需加载专业知识避免每次会话都塞满用不上的内容。1. 渐进式披露是什么意思渐进式披露progressive disclosure的核心是专业知识不一次性全塞进上下文而是按需加载。Claude 一开始只看到一个技能的标题一句话描述当任务真的需要这个技能时才把完整内容加载进来。举个例子大型代码库可能有如何处理支付回调“如何调试 Kafka 消费者”如何跑端到端测试等几十个专业技能。如果全写进 CLAUDE.md每次会话都要加载这几十个技能的完整内容上下文窗口直接爆掉。渐进式披露的做法是——CLAUDE.md 只列一个技能目录Claude 在遇到支付回调任务时才加载支付回调技能的完整文档。2. Skills 和 CLAUDE.md 的分工两者不是替代关系是分层关系CLAUDE.md放始终在场的信息——代码库骨架、全局约定、强约束每次会话都加载Skills放按需在场的信息——特定场景的专业知识、特定模块的操作手册只在任务匹配时加载。这种分工的工程价值在于上下文窗口是稀缺资源CLAUDE.md 占的是固定开销Skills 占的是可变开销。固定开销要压到最小可变开销要按需触发。3. 为什么 Skills 是第三层Skills 依赖前两层需要 CLAUDE.md 提供代码库骨架这样才知道有哪些场景需要技能需要 Hooks 提供沉淀机制这样遇到新场景才能自动抽象成新 Skill。没有前两层Skills 就是一个静态文档库没有动态生长的能力。4. Skills 的真正价值在规模化场景在小项目里Skills 的价值不明显——代码库就那么大全堆进 CLAUDE.md 也能跑。但到了百万行级别Skills 就成了刚需。大代码库的场景数量是指数级增长的——支付、订单、库存、风控、日志、监控、部署、回滚——每个场景都有自己的专业知识和踩坑清单。如果不用渐进式披露上下文窗口根本装不下。这也是为什么 Anthropic 把 Skills 放在第三层——它是规模化场景下专业知识管理的核心机制是从小项目能跑到大项目跑得好的关键分水岭。六、Plugins、MCP、LSP 与 Subagents打包、连接与辅助前三层讲完了剩下 Plugins、MCP 两个扩展点加 LSP 和 Subagents 两个辅助能力一起拆。1. 第四层 Plugins把扩展打包成可安装整体Plugins 把 skills、hooks、MCP 配置打包成一个可安装整体。在大型组织里不同团队需要的扩展组合不同——支付团队要支付回调 Skill 风控 Hook 内部账务 MCP前端团队要组件库 Skill ESLint Hook 设计系统 MCP。Plugins 把一组配套扩展打包成可分发单元新项目plugin install一键拿到全套配置。它解决的是怎么分发问题所以排在第四——必须先有三层内容可打才能打包。2. 第五层 MCP连接内部工具和数据源MCP servers 让 Claude 能连接 Jira 工单、Confluence 文档、内部监控、CI/CD、数据库等外部数据源。如果 Claude 只能读文件系统它看到的是代码长什么样看不到这个 bug 是哪个工单报的“这个服务上次部署是什么时候”。MCP 把这些接进来让 Claude 从只懂代码升级成懂代码也懂上下文——大代码库里很多 bug 根因不在代码本身而在代码和历史变更、工单、监控的关联里。3. LSP 和 Subagents两个纵向增强LSP语言服务器协议给 Claude 语义眼睛。没有 LSP 时找引用靠 grep 文本匹配碰到同名变量、动态语言就出错。有了 LSP 能精确定义跳转、引用查找、类型推断在大代码库里导航效率提升是数量级的Subagents 子代理给 Claude 分身术。把复杂任务拆给子代理并行处理主代理只拿结论。比如跨 5 个模块的重构派 5 个子代理分别读 5 个模块每个只返回接口摘要主代理拿 5 份摘要做决策主上下文只装摘要不装源码五层是横向扩展增加知识源和能力源LSP 和 Subagents 是纵向增强提升单次导航的质量和容量。七者配合才是在大代码库里跑好 Claude Code 的完整 harness。七、三个反复出现的配置模式Anthropic 结合多个成功部署案例总结出三类反复出现的模式。这三类不是孤立技巧而是把五层 harness 用起来的工程范式。1. 模式一让代码库在规模化下依然可导航两个典型做法一是 CLAUDE.md 写得精简分层——根目录只放全局骨架子目录放局部约定内容控制在导航线索强约束隐性知识三类不堆文档。二是不在仓库根目录启动而是在具体子目录里启动——在百万行 monorepo 根目录启动意味着一上来就要面对整个代码库的复杂性cd到要工作的子目录再启动Claude 的初始上下文就限定在这个子模块里导航范围缩小效率显著提升。这个模式的本质是主动给 Claude 缩小搜索空间——大代码库的复杂性客观存在但单次会话的工作范围可以人为控制把百万行宏观问题降维成当前子模块几千行的微观问题。2. 模式二随着模型能力进化主动维护 CLAUDE.md针对旧模型局限性写的规则换了新模型后可能反而变成束缚。旧模型做不到的事比如跨文件类型推断新模型可能已经能做到了。如果 CLAUDE.md 里还写着必须手动列出所有相关文件因为模型找不到新模型反而会被这条规则误导。原文建议每三到六个月做一次配置复盘。复盘要问的不是CLAUDE.md 还在不在而是里面的规则还有没有必要——哪些是新模型已经能自主完成的、哪些已经过时、哪些需要新增。3. 模式三明确谁来负责 Claude Code 的管理和推广那些扩散得最快的团队往往是在大规模开放使用之前就先投入一个小团队有时甚至只有一个人把工具链搭好。Claude Code 不是装上就能用好的工具。五层 harness 需要有人设计、维护、推广。如果全员同时上手每个人都在重复踩坑没有人沉淀经验工具扩散会是混乱的低效扩散。有些组织出现了新角色agent manager——专门负责这套工具链的管理推广维护 CLAUDE.md、收集团队踩坑经验抽象成 Skills、决定哪些场景该用 Plugins 打包、推动配置复盘。这个模式的本质是工具的规模化落地需要专人负责。不是谁用谁负责而是有人为工具的整体健康度负责——这和 DevOps 时代需要 SRE、数据时代需要数据治理负责人是同一个逻辑新工具范式需要新角色。八、从架构师视角看 Claude Code 在大代码库的六个工程取舍前几章把五层 harness 和三套配置模式讲完了但知道有什么和知道怎么选是两回事。这一章从架构师视角拆六个工程取舍——每个都是大代码库落地时绕不开的决策点。1. RAG 索引 vs 文件系统导航不要试图两套都上有些团队想两套都上——既建索引又允许文件系统导航以为能互补。这是伪命题两套并行会带来一致性问题索引说的和文件系统说的对不上时 Claude 该信谁而且维护两套成本远高于一套。判断是既然选了文件系统导航路线就把配套做透——CLAUDE.md 给方向感、LSP 给语义精度、Subagents 给容量扩展不在底层路线上骑墙。2. CLAUDE.md 的精简 vs 详尽固定开销必须压到最小常见误区是写得越详细 Claude 越懂。实际上每次会话都加载的内容写得越详细固定开销越大留给实际工作的上下文预算越少。判断标准是这条信息是不是始终在场才有价值。如果是偶尔用到的专业知识应该走 Skills 按需加载。把 CLAUDE.md 当成每次会话的入场费来设计——入场费越低留给正事的预算越多。3. Hooks 的防错 vs 进化别只当护栏用只把 Hooks 当防错护栏系统能力是静态的——每次跑都一样。要让系统持续进化Hooks 必须承担从错误中学习的角色把失败模式反向沉淀成新规则。防错型 Hooks 是底线进化型 Hooks 是上限。底线必须有防止删库、防止提交未测试代码但只有底线没有进化的系统跑一百次和跑一次没区别。4. Skills 的颗粒度太粗不触发太细触发太频繁Skills 太粗一个技能涵盖整个支付系统会导致触发不准太细一个技能只讲一个函数会导致触发太频繁上下文反而被占满。判断标准是一个 Skill 应该对应一个可识别的工作场景。比如处理支付回调“调试 Kafka 消费者是有明确触发信号的场景关键词、文件路径、错误类型Claude 能判断现在是不是在这个场景里”。颗粒度的本质是场景的可识别性不是内容的多寡。5. MCP 的接入范围不是越多越好常见误区是能接的全接上。但每个 MCP server 都会增加 Claude 的工具选择空间工具太多时 Claude 的工具选择准确率会下降这是 LLM 工具调用的通病。判断是只接和代码工作强相关的数据源。Jira 工单关联 bug 上下文、CI/CD 状态关联部署历史是强相关全员日历、HR 系统是弱相关不该接。MCP 接入范围应该按这个数据源能不能帮助 Claude 更好地理解或修改代码来筛。6. 专人负责 vs 全员自治规模化落地必须有 agent manager全员自治在小团队里能跑每个人都改 CLAUDE.md但到规模化场景就会变成公地悲剧——每个人都在加规则没人删过时规则CLAUDE.md 越来越臃肿Skills 越来越碎片Hooks 互相冲突。规模超过一定阈值比如 50 人以上使用必须有 agent manager 角色。这个角色不是管理员不给权限管控而是工具链的维护者——负责配置复盘、Skills 去重、Hooks 协调、Plugins 打包。九、面试话术考官想听的是什么回到这道面试题本身。考官问百万行代码库怎么跑好 Claude Code他想听的到底是什么1. 两个常见的错误回答错误回答一“换个更强的模型就行了。”——把规模化场景的问题简化成了模型能力问题。大代码库的瓶颈从来不是模型不够强而是 harness 没配好。换个再强的模型丢进一个没有 CLAUDE.md、没有 Skills、没有 MCP 的百万行 monorepo照样上下文耗光。错误回答二“把代码库做 RAG 索引就好了。”——暴露的是对 Claude Code 工作原理的根本误解。Claude Code 不走 RAG 路线它直接在文件系统里导航。建议给它做 RAG 索引方向就错了。而且 RAG 索引在大代码库里的过期问题正是 Claude Code 选择文件系统导航的原因。2. 高分答题模板三层结构加一句升华第一层基本原理“Claude Code 不走 RAG 那条 embedding 索引路线它直接在文件系统里游走读文件、grep 精确定位、顺着引用追下去永远面对最新代码。所以代码库再大它也不需要建索引不存在索引漂移问题。”第二层细节为什么“但直接在文件系统里导航有个天花板——如果一开始没有足够上下文知道该去哪找十亿行里盲搜会迅速耗光上下文窗口。所以真正决定表现的是围绕模型搭的 harness 脚手架五层扩展点CLAUDE.md 给方向感、Hooks 防错加持续进化、Skills 渐进式披露按需加载、Plugins 打包分发、MCP 连接外部数据源。再加 LSP 提供语义精度、Subagents 节省主上下文。”第三层设计哲学“Anthropic 总结了三个反复出现的配置模式让代码库可导航CLAUDE.md 精简分层加子目录启动、随模型进化主动维护配置每三到六个月复盘、明确专人负责agent manager 角色。这三套模式的本质是——大代码库里 Claude Code 好不好用是配出来的不是天生的。”升华一句“所以这道题考的不是会不会用 Claude Code而是在规模化场景下有没有思考过工具怎么落地。”3. 60 分 vs 90 分对比表追问点60 分回答90 分回答为什么不走 RAG“RAG 索引会过期”“embedding pipeline 跟不上提交速度大代码库索引漂移严重Claude Code 选择文件系统直接导航永远面对最新代码”十亿行里为什么会失败“上下文会耗光”“按需导航依赖先验方向感没有 CLAUDE.md 给方向时盲搜会迅速耗光预算——这正是 harness 五层要解决的问题”五层扩展点分别是什么能说出两三个能按建设顺序完整说出五层并解释为什么这个顺序每层是下一层的地基怎么在大代码库里配“写好 CLAUDE.md”三套配置模式可导航分层子目录启动、维护配置三到六个月复盘、专人负责agent manager4. 加分项时间允许的话带出以下几点都是加分项LSP 和 Subagents 的配合关系五层是横向扩展LSP 和 Subagents 是纵向增强两者是配合不是替代Skills 颗粒度的判断标准一个 Skill 对应一个可识别的工作场景不是按内容多寡切分agent manager 角色的本质不是权限管控而是工具链健康度维护——类比 SRE 之于 DevOps配置复盘的判断标准不是CLAUDE.md 还在不在而是里面的规则还有没有必要——旧模型做不到的事新模型可能已经能做到了能把五层扩展点和三套配置模式完整说出来基本就到 90 分。能再带出 LSP/Subagents 的配合关系和 Skills 颗粒度的判断标准就是 95 分往上了。总结回过头看这道面试题它问的根本不是你会不会用 Claude Code而是你有没有在规模化场景下思考过工具怎么落地。核心信息很朴素——Claude Code 在大项目里好不好用很大程度上是配出来的不是天生的。Claude Code 不走 RAG 路线直接在文件系统里导航永远面对最新代码但天花板是没有方向感时盲搜会耗光上下文harness 五层扩展点才是决定表现的关键CLAUDE.md 给方向感、Hooks 防错加进化、Skills 按需加载、Plugins 打包分发、MCP 连接外部——建设顺序不能乱每层是下一层的地基LSP 和 Subagents是纵向增强和五层横向扩展是配合关系不是替代三套配置模式可导航CLAUDE.md 分层加子目录启动、维护配置每三到六个月复盘、专人负责agent manager 角色六个工程取舍底层路线别骑墙、CLAUDE.md 固定开销要压到最小、Hooks 别只当护栏、Skills 颗粒度按场景可识别性切、MCP 只接强相关数据源、规模化必须有 agent manager模型是基础harness 是上限——真正决定体验上限的是团队有没有花时间搭这套体系有没有人专门维护它这就是用过工具和理解工具怎么在规模化场景下落地之间的差距。面试场上接不住这道题不丢人回来把这块功课补上下次再被问到至少能从五层扩展点一路聊到agent manager 角色把对话接住。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】